کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6589003 456831 2016 28 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Modeling a production scale milk drying process: parameter estimation, uncertainty and sensitivity analysis
ترجمه فارسی عنوان
مدل سازی فرایند خشک کردن مقیاس تولید: ارزیابی پارامترها، عدم قطعیت و تحلیل حساسیت
کلمات کلیدی
تجزیه و تحلیل میزان حساسیت، تجزیه و تحلیل عدم قطعیت، استنتاج بیزی، روند خشک کردن شیر،
ترجمه چکیده
یک مدل حالت پایدار برای یک فرایند خشک کردن مقیاس تولید برای کمک به فرآیند شناخت و مطالعات بهینه سازی ساخته شد. این شامل یک اتاق اسپری و همچنین تخت های مایع داخلی / خارجی است. این مدل برای تجزیه و تحلیل حساسیت ورودی ها / پارامترها و تجزیه و تحلیل عدم قطعیت برای برآورد فواصل اطمینان بر روی پارامترها و پیش بینی های مدل (انتشار خطا)، برای تجزیه و تحلیل آماری جامع برای تضمین کیفیت مورد استفاده قرار گرفت. تجزیه و تحلیل حساسیت مبتنی بر واریانس (روش سوبول) برای اندازه گیری تأثیر ورودی بر رطوبت پودر نهایی به عنوان خروجی مدل مورد استفاده قرار گرفت. استنتاج بیزی با استفاده از نمونه برداری از مونت کارلو زنجیره مارکوف برای اندازه گیری عدم قطعیت برآورد پارامترها با استفاده از داده های پردازش در دسترس استفاده شد. در فرآیند کامل مقیاس، ورودی ها با دامنه وسیعی از تغییرات عبارتند از: رطوبت در کانال مواد غذایی تغذیه (تغییر حدود 4٪)، و رطوبت در هوا ورودی اتاق (تنوع> 100٪). نتایج تجزیه و تحلیل حساسیت نشان می دهد کاوش در بهبود کنترل کنونی (ترکیبی نسبی انتگرال) برای رطوبت در کانال محفظه کانال به منظور کاهش واریانس خروجی. همچنین تایید شده است که کنترل رطوبت در جریان ورودی محفظه ضروری نخواهد بود، زیرا با وجود طیف وسیعی از تغییرات (هوا خارج از خارج)، تاثیر آن بر واریانس خروجی کم است. نتایج تجزیه و تحلیل عدم قطعیت نشان داد که فواصل اطمینان به دست آمده برای پارامترها منطقی بود، اگر چه برخی از آنها به طور قابل توجهی همبستگی پیدا کردند. برای برنامه های کاربردی مدل، این به این معنی است که شبیه سازی مدل باید با استفاده از نه تنها مقادیر پارامترها، بلکه همچنین ماتریس همبستگی آنها را با استفاده از روش های انتشار خطای غیر خطی مانند تکنیک های مونت کارلو انجام دهد. اثرات جداگانه بر روی عدم اطمینان پیش بینی مدل به دلیل برآورد پارامترها و خطاهای اندازه گیری مورد مطالعه قرار گرفت. نتایج نشان می دهد که خطای اندازه گیری ها اصلی ترین عدم اطمینان در پیش بینی های خروجی است. بنابراین با استفاده از فیلتر کردن مناسب اندازه گیری ها، مدل جامع آزمایش شده آماده پشتیبانی از تلاش های مبتنی بر شبیه سازی برای بهینه سازی فرایند بیشتر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی شیمی مهندسی شیمی (عمومی)
پیش نمایش مقاله
مدل سازی فرایند خشک کردن مقیاس تولید: ارزیابی پارامترها، عدم قطعیت و تحلیل حساسیت
چکیده انگلیسی
A steady state model for a production scale milk drying process was built to help process understanding and optimization studies. It involves a spray chamber and also internal/external fluid beds. The model was subjected to a comprehensive statistical analysis for quality assurance using sensitivity analysis of inputs/parameters, and uncertainty analysis to estimate confidence intervals on parameters and model predictions (error propagation). Variance based sensitivity analysis (Sobol's method) was used to quantify the influence of inputs on the final powder moisture as the model output. Bayesian Inference using Markov Chain Monte Carlo sampling was used to quantify the uncertainty on the estimated parameters using available process data. In a full scale process the inputs with major range of variation are: moisture content at concentrate chamber feed (variation around 4%), and humidity at chamber inlet air (variation > 100%). The sensitivity analysis results suggest exploring improvements in the current control (Proportional Integral Derivative) for moisture content at concentrate chamber feed in order to reduce the output variance. It is also confirmed that humidity control at chamber inlet air stream would not be necessary because, despite its wide range of variation (air taken from outside), its impact on output variance is low. The uncertainty analysis results showed that confidence intervals obtained for parameters were reasonable, although some of them were found significantly correlated. For model applications, this means that model simulations should be performed using not only parameter values but also their correlation matrix by means of non-linear error propagation methods such as Monte Carlo techniques. The separate effects on model prediction uncertainties due to parameter estimation and measurement errors were studied. The results indicate that the error in measurements is the main responsible for the uncertainty in output predictions. Therefore using proper filtering of measurements, the comprehensively tested model is ready to support simulation based efforts for further process optimization.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Chemical Engineering Science - Volume 152, 2 October 2016, Pages 301-310
نویسندگان
, , ,